用膝盖X射线图像来诊断骨质疏松症和骨质疏松症的一些射击学习框架
Hua Xie1, Chenqi Gu2, Wenchao Zhang1
1Department of Orthopedics, Jintan Hospital Affiliated to Jiangsu University, Changzhou, China.
The Journal of international medical research
|September 3, 2024
概括
与放射科医生相比,一个新的几次射击学习 (FSL) 框架在通过膝盖X射线诊断骨质疏松症和骨质疏松症方面表现优异. 这种人工智能方法显示出对有限数据的计算机辅助诊断的希望.
科学领域:
- 医疗成像医学成像
- 人工智能的人工智能
- 骨质疏松症的诊断 骨质疏松症的诊断
背景情况:
- 通过膝盖X射线检测骨质疏松症和骨质疏松症对于骨健康评估至关重要.
- 当前的诊断方法可能受到放射科医生的专业知识和数据可用性的限制.
研究的目的:
- 开发和评估一些射击学习 (FSL) 框架,用于使用膝盖X射线图像诊断骨质疏松症和骨质疏松症.
- 将FSL框架的性能与人类放射科医生的性能进行比较.
主要方法:
- 微调深层卷积神经网络用于图像泛化.
- 开发了用于预测骨质疏松症和骨质疏松症的自动机器学习分类器.
- 与初级和高级放射科医生的FSL框架绩效进行比较.
- 使用梯度加权类激活映射用于视觉解释.
主要成果:
- 在FSL模型中,FSL模型的平均准确度 (0.728) 和灵敏度 (0.774) 比放射科医生 (0.512和0.448) 在第1.1队列中更高.
- 结合FSL模型和放射科医生的诊断管道,比仅仅放射科医生提高了性能.
- 诊断管道在第二个队列中也表现出更好的表现.
结论:
- 该FSL框架证明了骨质疏松症和骨质疏松症的实际诊断性能,与放射科医生相比或超过.
- 这项研究支持FSL方法在计算机辅助诊断中的实用性,特别是在有限的样本场景中.
更多相关视频
06:59Author Spotlight: An Economic and Efficient Method for Quantitative Evaluation of Bone Microarchitecture in a Murine Osteoporosis Model
Published on: September 8, 2023
2.3K
09:02Cortical Bone Assessment Using Ultrasonic Guided Waves: A Reproducibility Study in a Healthy Population
Published on: January 31, 2025
422
